使用AI與深度學(xué)習(xí)實(shí)現(xiàn)SDR硬件架構(gòu)的信號(hào)分析系統(tǒng)

　　隨著無(wú)線(xiàn)協(xié)議變得越來(lái)越復(fù)雜，頻譜環(huán)境的競(jìng)爭(zhēng)日益激烈，電子戰(zhàn)也越來(lái)越復(fù)雜。無(wú)線(xiàn)電所需的基帶處理程度也更加復(fù)雜和專(zhuān)業(yè)化。在充滿(mǎn)威脅的復(fù)雜環(huán)境下，想要完全優(yōu)化射頻系統(tǒng)是不現(xiàn)實(shí)的。設(shè)計(jì)人員以前一直依賴(lài)簡(jiǎn)化的封閉式模型，但是這些模型無(wú)法準(zhǔn)確捕捉到真實(shí)效果；而且對(duì)系統(tǒng)的優(yōu)化也非常零碎，僅能優(yōu)化單個(gè)組件，無(wú)法進(jìn)行完整的端到端優(yōu)化。在過(guò)去幾年里，人工智能已經(jīng)取得了長(zhǎng)足的進(jìn)步，尤其是機(jī)器學(xué)習(xí)技術(shù)中的深度學(xué)習(xí)。為了解決眾多棘手問(wèn)題，人類(lèi)設(shè)計(jì)人員一直都在花費(fèi)大量精力研究手動(dòng)式工程解決方案，而深度學(xué)習(xí)則直接將目標(biāo)對(duì)準(zhǔn)了針對(duì)特定問(wèn)題的大型復(fù)雜數(shù)據(jù)集。

　　AI和無(wú)線(xiàn)電射頻

　　如要了解AI如何簡(jiǎn)化RF系統(tǒng)設(shè)計(jì)的復(fù)雜性，就需要從大局上了解最近哪些技術(shù)進(jìn)步推動(dòng)了AI系統(tǒng)的迅速普及?！癆I”這個(gè)術(shù)語(yǔ)已經(jīng)使用了幾十年，從廣義上講，是指基于機(jī)器決策的問(wèn)題解決方法。機(jī)器學(xué)習(xí)（ML）屬于AI的一種，指使用數(shù)據(jù)對(duì)機(jī)器進(jìn)行訓(xùn)練，以解決特定問(wèn)題。深度學(xué)習(xí)是一類(lèi)具有“特征學(xué)習(xí)”能力的機(jī)器學(xué)習(xí)技術(shù)，在這個(gè)過(guò)程中，由機(jī)器決定使用哪些方面的數(shù)據(jù)作為決策依據(jù)，而不是由人類(lèi)設(shè)計(jì)人員規(guī)定某些明顯的特征作為決策依據(jù)。例如，設(shè)計(jì)人員以前都是根據(jù)多年的特征識(shí)別技術(shù)研究心得，手動(dòng)編寫(xiě)面部識(shí)別算法。而深度學(xué)習(xí)方法將包含人臉的圖像數(shù)據(jù)集與操作人員訓(xùn)練結(jié)合起來(lái)，可識(shí)別出人臉的位置。機(jī)器會(huì)學(xué)習(xí)識(shí)別人臉的構(gòu)成，不需要設(shè)計(jì)人員定義算法。同樣，RF信號(hào)分類(lèi)和頻譜感知算法也從深度學(xué)習(xí)方法中獲益匪淺。過(guò)去的自動(dòng)調(diào)制分類(lèi)（AMC）和頻譜監(jiān)測(cè)方法需要耗費(fèi)大量人力來(lái)進(jìn)行手動(dòng)工程特征提?。?a target='_blank' class='arckwlink_none'>工程師團(tuán)隊(duì)通常需要花費(fèi)數(shù)月時(shí)間進(jìn)行設(shè)計(jì)和部署），而基于深度學(xué)習(xí)的系統(tǒng)通過(guò)幾小時(shí)的訓(xùn)練，就能識(shí)別新的信號(hào)類(lèi)型。深度學(xué)習(xí)還允許端到端學(xué)習(xí)，通過(guò)這種方式，一個(gè)模型可以同時(shí)學(xué)習(xí)編碼器和解碼器，從而構(gòu)成一個(gè)完整的收發(fā)系統(tǒng)。該模型不需要嘗試逐個(gè)優(yōu)化每個(gè)組件（例如，數(shù)模轉(zhuǎn)換器［DAC］、模數(shù)轉(zhuǎn)換器［ADC］、射頻轉(zhuǎn)換器、無(wú)線(xiàn)信道和接收器網(wǎng)絡(luò)），并將它們拼接在一起，而是將系統(tǒng)視為端到端函數(shù)，學(xué)習(xí)從整體上優(yōu)化系統(tǒng)。